Modeling of fuel consumption using artificial neural networks

The article presents a model of operational fuel consumption by a passenger car from the B segment, powered by a spark ignition engine. The model was developed using artificial neural networks simulated in the Stuttgart Neural Network Simulator (SNNS) package. The data for the model was obtained from longterm operational tests, during which data from the engine control unit were recorded via the OBDII diagnostic interface. The model is based on neural networks with two hidden layers, the size of which was selected using an original iterative algorithm. During the structure selection process, a total of 576 different networks were tested. The analysis of the obtained test errors made it possible to select the optimal structure of the 6-19-17-1 model. The network input values were: vehicle speed and acceleration, road slope, throttle opening degree, selected gear number and engine speed. The networks were trained using the efficient RPROP method. A correctly trained network, based on the set parameters, was able to forecast the instantaneous fuel consumption. These forecasts showed a high correlation with the measured values. Average fuel consumption calculated on their basis was close to the real value, which was calculated on the basis of two consecutive fuelings of the vehicle.

W artykule przedstawiono model eksploatacyjnego zużycia paliwa przez samochód osobowy z segmentu B, zasilany silnikiem o zapłonie iskrowym. Model opracowano przy wykorzystaniu sztucznych sieci neuronowych, których działanie symulowano w pakiecie Stuttgart Neural Network Simulator (SNNS). Dane do modelu pozyskano z długotrwałych badań eksploatacyjnych, podczas których rejestrowano przez interfejs diagnostyczny OBDII dane pochodzące z jednostki sterującej silnikiem. Model oparto na sieciach neuronowych o dwu warstwach ukrytych, których wielkość dobrano przy pomocy autorskiego, iteracyjnego algorytmu. Podczas procesu doboru struktury przebadano łącznie 576 różnych sieci. Analiza uzyskanych błędów testowania pozwoliła na wybór optymalnej struktury modelu 6-19-17-1. Wielkościami wejściowymi sieci były: prędkość i przyspieszenie pojazdu, nachylenie drogi, stopień otwarcia przepustnicy, numer wybranego biegu oraz prędkość obrotowa silnika. Sieci uczono przy użyciu wydajnej metody RPROP. Poprawnie nauczona sieć na podstawie zadanych parametrów była w stanie prognozować chwilowe zużycie paliwa. Prognozy te wykazywały wysoką korelację ze zmierzonymi wartościami. Obliczone na ich podstawie średnie zużycie paliwa było zbliżone do rzeczywistej wartości, którą obliczono na podstawie dwu kolejnych tankowań pojazdu.